一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法技术方案

本发明专利技术公开一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法，数据分析包括以下步骤：S1：设置BP神经网络参数；S2：PSO初始化；S3：ELM训练学习，计算各粒子的适应度；S4：解算粒子个体历史最优位置和群里历史最优位置；S5:更新粒子的速度和位置；S6:种群粒子按适应值排序，确定最佳适应度等；本发明专利技术将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。便于及时掌握现场动态。便于及时掌握现场动态。

【技术实现步骤摘要】
一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法


[0001]本专利技术涉及一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法，属于电力系统数据分析以及红外图像故障识别


技术介绍

[0002]面对当前的能源危机以及大量使用化石能源后带来的环境问题，人类实现可持续发展必须开发绿色能源来逐步取代有限的不可再生能源。新能源中有风能、潮汐能、核能、太阳能等，综合考虑在新能源开发过程中受影响的因素较多，比如开发的难度、成本、供能的稳定性等。毋庸置疑，太阳能将是绿色能源开发的不二之选，因此提高光伏并网发电系统的工作效率和可靠性，实施大力发展光伏产业，具有重要的理论研究与现实意义。
[0003]国内光伏发电技术仍然处在发展时期，对光伏发电系统的监控方案主要是利用单片机、RS485及组态软件构成，这种方式的数据传输效率较低、容纳节点数少，而且后续工作人员的维护费用较高。为了实时监控光伏发电系统，提高系统稳定性和可靠性，采用大数据以及图像信息融合对光伏发电系统进行监控，将是未来的一种发展趋势。光伏并网发电系统输出功率的预测将有效缓解对电网的冲击，同时便于电站管理人员决策电力调度系统。另外，影响光伏发电输出功率预测的因素较多，比如光照强度、温湿度以及日照时长等，因此建模过程的复杂度较高。本专利技术针对光伏输出电流、电压以及功率以及红外图像等数据，实现光伏发电系统监控及光伏并网运行异常检测。

技术实现思路

[0004]针对上述现有技术存在的问题，本专利技术提供一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法，一方面克服了单纯使用数据分析或单纯使用红外图像分析的目标检测不足的能力，因为在一些数据收到外界干扰或者设备中存在一些温度不够高的目标，红外图像背景相对模糊、对比度低，较低的像素分辨率限制了其特征或图像细节表现能力，数据或图像质量受环境和外界干扰严重，导致数据分析不精确或者红外目标边缘模糊，不利于精确定位目标位置；将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]第一方面，本申请提供一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法，所述的数据分析包括以下步骤：
[0007]S1：设置BP神经网络参数；
[0008]S2：PSO初始化；
[0009]S3：ELM训练学习，计算各粒子的适应度；
[0010]S4：解算粒子个体历史最优位置和群里历史最优位置；
[0011]S5:更新粒子的速度和位置；
[0012]S6:种群粒子按适应值排序，确定最佳适应度；
[0013]S7:若满足终止条件：以群落收敛为准，或群落达到平衡稳定状态；执行下一步骤；若不满足终止条件则生成下一代种群，进行新的迭代优化，返回执行S2；
[0014]S8:利用得到的最优参数进行故障预测；
[0015]所述的红外图像信息分析包括以下步骤：
[0016]步骤1：将光伏电站现场红外图像输入；
[0017]步骤2：将输入的图像进行分割；
[0018]步骤3：使用模糊温差判断方法进行判断；
[0019]步骤4：根据判断结果进行故障诊断和预警分析；
[0020]将数据分析结果与红外图像信息分析结果汇总传输到服务器进行进行故障诊断和预警分析。
[0021]一实施例中，所述的步骤S1中,以神经网络系统一个神经元为例，假设神经元中的输入单元分别为x
i
，与其对应的加权系数为w
i
,i＝0,1,2,...,n
‑
1 f为该神经网络中的激发函数，用以实现神经元的输出；则该神经元的最终输出结果如下式所示：
[0022][0023]神经网络结构被设计完成之后，需要对网络中的输入、输出参数进行训练；BP网络不仅包括输入节点和输出节点，还包含一个或多个隐藏(层)节点；
[0024]首先将输信号传输到隐藏节点，然后将隐藏节点的输出信息在动作后传输到输出节点；最后给出了输出结果，而节点的激励部分一般为S型函数；该算法被称为反向传播，是因为它从输出节点开始，将由总误差引起的权重修正向后传播到第一隐藏层；
[0025]对于由一系列确定的单元互连而成的多层网络，能利用反向传播算法学习多层网络的权值；它采用梯度下降法尽量减小网络输出值与目标值之间的平方误差；因为需要考虑多个输出单元组成的网络，而不是像原来那样只考虑一个单元，所以需要重新算误差E，从而将所有网络输出的误差相加，结果如公式2所示，
[0026][0027]其中，outputs是网络输出单元的集合，t
kd
和o
kd
是与训练样例d和第k个输出单元的相关输出值。
[0028]一实施例中，所述的步骤S2中,基于BP神经网络对样本数据进行不断学习训练的基础上，利用粒子群优化算法(PSO)对整个训练过程进行更进一步的优化，主要实现原理是对训练数据集中的粒子进行不断的学习训练求出最佳的相对速度和相对位置，最终寻找最优解；在这过程中，对应的速度、位置关系如下：
[0029]v
ik
(t+1)＝wv
ik
(t)+c1r1(pbest
ik
(t)
‑
x
ik
(t))+c2r2(gbest(t)
‑
x
ik
(t))
ꢀꢀꢀ
(3)
[0030]x
ik
(t+1)＝x
ik
(t)+v
ik
(t+1)
ꢀꢀꢀ
(4)
[0031]其中，v
ik
(t)、x
ik
(t)分别是粒子速度、位置，pbest
ik
(t)是例子的个体极值，gbest(t)是全局变量，w为惯性权重，c1、c2为加速度系数，r1、r2为[0,1]区间的均匀分布随机数。
[0032]一实施例中，通过采用粒子群优化算法对输入层权值和隐元偏置进行优选，进而将其优选所得的输入权值和隐元偏置应用于光伏并网发电系统输出电压、电流以及最大功率的预测，具体步骤如下：
[0033]1)随机产生种群；训练样本数据集中的种群粒子样本数量为m，个体维度为D，学习因子的初始值分别为c
1ini
和c
2ini
，最大迭代次数k
max
；
[0034]2)惯性权重值的选择；设定最大、最小惯性权重分别为w
max
和w
min
，n为当前预测模型的迭代次数，根据对表达式w＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据分析和红外图像信息分析融合的光伏并网运行异常检测方法，其特征在于，所述的数据分析包括以下步骤：S1：设置BP神经网络参数；S2：PSO初始化；S3：ELM训练学习，计算各粒子的适应度；S4：解算粒子个体历史最优位置和群里历史最优位置；S5:更新粒子的速度和位置；S6:种群粒子按适应值排序，确定最佳适应度；S7:若满足终止条件：以群落收敛为准，或群落达到平衡稳定状态；执行下一步骤；若不满足终止条件则生成下一代种群，进行新的迭代优化，返回执行S2；S8:利用得到的最优参数进行故障预测；所述的红外图像信息分析包括以下步骤：步骤1：将光伏电站现场红外图像输入；步骤2：将输入的图像进行分割；步骤3：使用模糊温差判断方法进行判断；步骤4：根据判断结果进行故障诊断和预警分析；将数据分析结果与红外图像信息分析结果汇总传输到服务器进行进行故障诊断和预警分析。2.根据权利要求1所述的一种基于数据分析和红外图像信息分析融合的光伏并网运行异常检测方法，其特征在于，所述的步骤S1中,以神经网络系统一个神经元为例，假设神经元中的输入单元分别为x
i
，与其对应的加权系数为w
i
,i＝0,1,2,...,n
‑
1f为该神经网络中的激发函数，用以实现神经元的输出；则该神经元的最终输出结果如下式所示：神经网络结构被设计完成之后，需要对网络中的输入、输出参数进行训练；BP网络不仅包括输入节点和输出节点，还包含一个或多个隐藏(层)节点；首先将输信号传输到隐藏节点，然后将隐藏节点的输出信息在动作后传输到输出节点；最后给出了输出结果，而节点的激励部分一般为S型函数；该算法被称为反向传播，是因为它从输出节点开始，将由总误差引起的权重修正向后传播到第一隐藏层；对于由一系列确定的单元互连而成的多层网络，能利用反向传播算法学习多层网络的权值；它采用梯度下降法尽量减小网络输出值与目标值之间的平方误差；因为需要考虑多个输出单元组成的网络，而不是像原来那样只考虑一个单元，所以需要重新算误差E，从而将所有网络输出的误差相加，结果如公式2所示，其中，outputs是网络输出单元的集合，t
kd
和o
kd
是与训练样例d和第k个输出单元的相关输出值。
3.根据权利要求1所述的一种基于数据分析和红外图像信息分析融合的光伏并网运行异常检测方法，其特征在于，所述的步骤S2中,基于BP神经网络对样本数据进行不断学习训练的基础上，利用粒子群优化算法(PSO)对整个训练过程进行更进一步的优化，主要实现原理是对训练数据集中的粒子进行不断的学习训练求出最佳的相对速度和相对位置，最终寻找最优解；在这过程中，对应的速度、位置关系如下：v
ik
(t+1)＝wv
ik
(t)+c1r1(pbest
ik
(t)
‑
x
ik
(t))+c2r2(gbest(t)
‑
x
ik
(t))
ꢀꢀꢀꢀꢀꢀ
(3)x
ik
(t+1)＝x
ik
(t)+v
ik
(t+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，v
ik
(t)、x
ik
(t)分别是粒子速度、位置，pbest
ik
(t)是例子的个体极值，gbest(t)是全局变量，w为惯性权重，c1、c2为加速度系数，r1、r2为[0,1]区间的均匀分布随机数。4.根据权利要求1所述的一种基于数据分析和红外图像信息分析融合的光伏并网运行异常检测方法，其特征在于，通过采用粒子群优化算法对输入层权值和隐元偏置进行优选，进而将其优选所得的输入权值和隐元偏置应用于光伏并网发电系统输出电压、电流以及最大功率的预测，具体步骤如下：1)随机产生种群；训练样本数据集中的种群粒子样本数量为m，个体维度为D，学习因子的初始值分别为c
1ini
和c
2ini
，最大迭代次数k
max
；2)惯性权重值的选择；设定最大、最小惯性权重分别为w
max<...

【专利技术属性】
技术研发人员：吴祥龙，郭静，刘天琦，郭雅娟，郭志浩，郝战，张歆，姜海涛，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：